圖表徵學習：邁向動態開放環境

圖數據是對萬物間聯系的一般抽象，廣泛存在於各行各業中。圖表徵學習為圖數據的建模與分析提供了新範式，是近年來機器學習與數據挖掘領域的熱門研究方向，並被有效地應用於推薦系統、交通預測等眾多領域。本書將全面介紹圖表徵學習，特別是針對處於真實世界動態、開放環境之中圖數據的圖表徵學習方法。本書分為3 篇：第1 篇介紹圖嵌入和圖神經網絡等經典圖表徵學習方法；第2 篇圍繞魯棒性、動態性、可解釋性、分佈外泛化性等多個角度，系統地介紹針對動態開放環境中的圖表徵學習方法；第3 篇以四個不同領域為例，從推薦系統、交通預測、自然語言處理、組合優化等場景，介紹圖表徵學習的應用方法。除了對代表性方法進行詳細介紹，本書還提供了豐富的參考文獻，讀者可以更深入地學習圖表徵學習的前沿內容。本書適合具有一定機器學習基礎的高年級本科生、研究生、教師和研究者，以及對圖數據感興趣的電腦工程師和從業人員閱讀，也適合對人工智能、深度學習和圖數據分析感興趣的其他人士參考。

第1 章概述/1
1.1 引言/1
1.2 圖基礎知識/3
1.3 機器學習基礎知識/7

第1 篇經典圖表徵學習
第2 章圖嵌入/13
2.1 基於隨機游走的圖嵌入/13
2.2 基於矩陣分解的圖嵌入/18
2.3 基於深度自編碼器的圖嵌入/21
2.4 本章小結/24

第3 章圖神經網絡/25
3.1 譜域圖神經網絡/26
3.2 空域圖神經網絡/34
3.3 消息傳遞圖神經網絡/41
3.4 圖池化/47
3.5 本章小結/53

第4 章圖表徵學習理論分析/54
4.1 圖信號處理/54
4.2 圖同構測試/58
4.3 圖神經網絡表達能力/61
4.4 過平滑與深層圖神經網絡/64
4.5 本章小結/68

第2 篇動態開放環境圖表徵學習
第5 章魯棒圖表徵學習/71
5.1 圖數據上的對抗樣本/71
5.2 圖對抗攻擊的分類/73
5.3 圖神經網絡模型上的攻擊與防禦方法/75
5.4 本章小結/78

第6 章解耦圖表徵學習.79
6.1 基於變分自編碼器的解耦圖神經網絡/79
6.2 基於鄰域路由機制的解耦圖神經網絡/81
6.3 基於其他思想的解耦圖神經網絡/87
6.4 本章小結/90

第7 章動態圖表徵學習/91
7.1 動態圖數據/91
7.2 離散時間動態圖表徵學習/92
7.3 連續時間動態圖表徵學習/94
7.4 本章小結/96

第8 章無監督圖神經網絡與自監督圖神經網絡/97
8.1 無監督學習的圖神經網絡/97
8.2 自監督學習的圖神經網絡/99
8.3 本章小結/106

第9 章圖神經網絡的可解釋性/107
9.1 簡介/107
9.2 可解釋方法分類/109
9.3 實例級局部解釋/110
9.4 模型級全局解釋/114
9.5 對解釋模型的評價/115
9.6 可解釋性的交叉學科應用/117
9.7 本章小結/118

第10 章自動圖表徵學習/119
10.1 自動機器學習簡介/119
10.2 圖超參數優化/120
10.3 圖神經網絡架構搜索/122
10.4 本章小結/132

第11 章元學習與圖表徵學習/133
11.1 元學習簡介/133
11.2 圖上的元學習/136
11.3 本章小結/143

第12 章分佈外泛化圖表徵學習/144
12.1 圖分佈外泛化問題和分類/145
12.2 數據層面方法/148
12.3 模型層面方法/151
12.4 學習策略/155
12.5 理論分析/162
12.6 本章小結/163

第3 篇圖表徵學習的應用
第13 章推薦系統/167
13.1 通用推薦/168
13.2 序列推薦/176
13.3 本章小結/179

第14 章交通預測/180
14.1 時空圖/181
14.2 時空圖神經網絡模型/181
14.3 本章小結/188

第15 章自然語言處理/189
15.1 文本分類/189
15.2 關系抽取/192
15.3 文本生成/193
15.4 問答系統/196
15.5 其他任務/198
15.6 本章小結/198

第16 章組合優化/199
16.1 簡介/199
16.2 預備知識/200
16.3 尋找可行解/201
16.4 本章小結/207
第17 章圖表徵學習展望/209
參考文獻/211